¿Cómo funcionan los detectores de IA? Perplejidad, burstiness y clasificadores

Los detectores de IA funcionan midiendo lo predecible que es un texto. La mayoría pasa el texto por un modelo de lenguaje y comprueba qué probabilidad tenía cada palabra, dadas las anteriores. Un texto que resulta fácil de predecir de forma constante parece hecho por una máquina. Un texto con elecciones de palabras más sorprendentes e irregulares parece humano. Muchas herramientas comerciales añaden además un clasificador entrenado que ha aprendido la diferencia a partir de grandes conjuntos de ejemplos etiquetados.

Esa es la idea central. Los detalles explican por qué los detectores son útiles y también por qué se equivocan.

La pregunta básica que se hace un detector

Un detector no entiende tu argumento, no comprueba tus datos ni sabe quién eres. Mira la superficie del texto, las palabras y cómo están colocadas, y se hace una pregunta estadística: ¿esto se parece más a lo que produciría un modelo de lenguaje o a lo que produce una persona?

Para responderla, los detectores usan varios tipos de señales. La mayoría de las herramientas actuales combinan varias.

Señal 1: la perplejidad

La perplejidad es una medida de sorpresa. Tomas un modelo de lenguaje, le das tu texto palabra a palabra y, en cada paso, le preguntas qué probabilidad tenía la palabra que viene a continuación.

Piensa en esta frase: "El gato se tumbó en la ___". Un modelo predecirá "alfombra", "cama" o "silla" con bastante seguridad. Si la palabra siguiente es "alfombra", la perplejidad es baja. Si es "hipoteca", la perplejidad es alta.

Los modelos de lenguaje generan texto eligiendo palabras probables. Por eso su salida, medida con un modelo parecido, suele tener una perplejidad baja de principio a fin. Las personas elegimos palabras por muchas razones: costumbre, humor, un recuerdo concreto, un giro un poco raro que nos gusta. Eso hace subir la perplejidad.

Algunos de los primeros detectores se apoyaban casi solo en este número. El problema es que mucha escritura humana también es predecible. Un informe de laboratorio, un resumen jurídico o un ensayo de cinco párrafos escrito siguiendo una rúbrica pueden puntuar bajo en perplejidad simplemente porque el género es muy pautado.

Señal 2: la burstiness

La burstiness mira cómo cambia la perplejidad a lo largo del texto. Una persona puede escribir dos frases sencillas, luego una con una imagen poco habitual y después un fragmento. La previsibilidad sube y baja. El texto de IA tiende a mantener un nivel estable de principio a fin.

La misma idea aparece en medidas más simples, como cuánto varía la longitud de las frases. Los párrafos humanos suelen mezclar una frase de 30 palabras con otra de 4. Los párrafos de un modelo tienden a mantener las frases en un rango estrecho.

GPTZero popularizó la combinación de perplejidad y burstiness cuando se lanzó a principios de 2023, y los términos se han quedado. Sus modelos actuales usan más que esas dos medidas, pero siguen siendo una forma útil de entender qué buscan los detectores.

Señal 3: los clasificadores entrenados

El enfoque más común hoy en los detectores comerciales es un clasificador: un modelo de aprendizaje automático entrenado con un gran conjunto de textos etiquetados como "humano" e "IA". Aprende las características que separan ambos grupos, incluidas algunas que a ninguna persona se le ocurriría nombrar.

Los clasificadores suelen basarse en la misma tecnología de transformers que los propios chatbots. Pueden funcionar bastante bien con textos parecidos a sus datos de entrenamiento. Tienen problemas con los que no se parecen, por ejemplo:

• Textos de un modelo más reciente que el clasificador no ha visto
• Idiomas o variantes que eran poco frecuentes en el conjunto de entrenamiento
• Géneros poco representados, como la poesía o la documentación técnica
• Textos mixtos, en los que una persona escribió algunas partes y la IA otras

Por eso los proveedores vuelven a entrenar sus detectores con regularidad, y por eso el mismo texto puede recibir una puntuación distinta de la misma herramienta con unos meses de diferencia.

Señal 4: las marcas de agua

Las marcas de agua son un enfoque distinto. En lugar de adivinar a posteriori, la empresa que gestiona el modelo inclina sus elecciones de palabras siguiendo un patrón estadístico oculto mientras genera el texto. Un detector compatible puede comprobar después si ese patrón está presente.

Los tres grandes chatbots ya lo hacen al menos con parte de su texto. Google marca con SynthID el texto de la app de Gemini desde 2024 (cómo funciona SynthID). Anthropic empezó a poner marca de agua al texto de Claude en agosto de 2026 (lo que ha dicho Anthropic), y OpenAI está añadiendo su marca de agua textGrain al texto de ChatGPT en la UE desde octubre de 2026 (dónde se aplica). Las marcas de agua pueden ser bastante fiables cuando existen. El problema es que solo la empresa que creó el modelo tiene la clave para comprobarlas, muchos de los textos que circulan no llevan ninguna marca de agua, y una edición intensa o una traducción debilitan la señal.

Así que, por ahora, casi todos los detectores con los que te vas a encontrar, incluidos los que se usan en centros educativos, se basan en los métodos estadísticos anteriores y no en marcas de agua.

Cómo se convierten las piezas en una puntuación

Cada herramienta presenta los resultados a su manera:

• Un único porcentaje, que suele describirse como la parte del texto que probablemente ha generado una IA.
• Resaltado de frases o párrafos, que muestra qué partes han influido en la puntuación.
• Categorías, como totalmente IA, refinado con IA o escrito por una persona. El Detector de IA de RealWrite usa cuatro categorías para que puedas ver una autoría mixta en lugar de un único veredicto.

Sea cual sea el formato, el número es una estimación de probabilidad, no la constatación de un hecho. Una puntuación del 80 % no significa que una máquina escribiera el 80 % de las palabras. Significa que el modelo está bastante seguro de que el texto se parece a sus ejemplos de IA.

Por qué se equivocan los detectores de IA

Una vez que sabes cómo funcionan los detectores, sus fallos son fáciles de prever.

Los géneros predecibles parecen IA

La escritura formal y estructurada tiene una perplejidad baja por diseño. Los resúmenes académicos, las cartas de presentación, las descripciones de productos y los ensayos estandarizados siguen convenciones que hacen que la siguiente palabra sea fácil de adivinar. Quienes escriben en estos géneros reciben más alertas.

Quienes escriben en inglés como segunda lengua reciben más alertas

Las personas que escriben en una segunda lengua suelen usar un vocabulario más reducido y seguro, y estructuras de frase más regulares. Esas son justo las características que los detectores asocian con la IA. Un estudio de Stanford de 2023 dirigido por Weixin Liang, publicado en la revista Patterns, comprobó que varios detectores populares clasificaban como generados por IA una gran parte de los ensayos del TOEFL escritos por hablantes no nativos, mientras que puntuaban con mucha más precisión los ensayos de estudiantes estadounidenses. Lo tratamos a fondo en falsos positivos de los detectores de IA.

Los textos cortos no dan suficiente señal

Las medidas estadísticas necesitan datos. Un párrafo de 100 palabras simplemente no contiene suficientes palabras para una estimación fiable. Muchas herramientas fijan una extensión mínima por este motivo, y los resultados cercanos a ese mínimo son los menos estables.

La edición difumina la frontera

Cada vez más textos son mixtos. Alguien redacta con IA y reescribe la mitad. Alguien escribe a mano y usa un corrector gramatical para pulirlo. Los detectores se entrenaron sobre todo con ejemplos limpios de cada tipo, así que los textos mixtos caen en la zona intermedia de incertidumbre.

La traducción enturbia la señal

Un texto escrito en un idioma y traducido automáticamente a otro adquiere parte de la regularidad del modelo de traducción. Un texto escrito por IA y luego traducido pierde parte de sus patrones originales. En ambos casos, el detector ya no está mirando el tipo de escritura que aprendió a juzgar, y los resultados son menos fiables.

Los correctores gramaticales pueden acercar el texto a "IA"

Las sugerencias agresivas de gramática y estilo tienden a hacer la prosa más fluida y uniforme. Si aceptas suficientes, tu texto original puede empezar a parecerse estadísticamente a la salida de un modelo.

Para qué sirven los detectores

Nada de esto significa que los detectores sean inútiles. Bien usados, son una segunda opinión rápida. Una puntuación alta en un borrador es una buena excusa para releerlo: ¿todas las frases tienen la misma longitud? ¿Hay frases hechas en cada párrafo? ¿Hay algo concreto?

Así es como recomendamos usar cualquier detector, incluido el nuestro. Revisa un borrador antes de entregarlo, mira qué partes puntúan alto y corrígelas para que suenen más a ti. La página cómo funciona muestra ese proceso en RealWrite.

Lo que un detector no debería ser es la única prueba en una decisión sobre el trabajo de alguien. Hasta las empresas que los crean lo dicen. Turnitin, por ejemplo, advierte a los docentes de que su puntuación de IA no debe usarse como única base para tomar medidas contra un estudiante. Nuestra explicación de Turnitin entra en detalle en lo que muestra su informe.

En resumen

• Los detectores miden la previsibilidad, no el significado.
• La perplejidad es la sorpresa a nivel de palabra. La burstiness es cuánto varía esa sorpresa.
• La mayoría de las herramientas comerciales añaden clasificadores entrenados, que hay que volver a entrenar constantemente.
• Las marcas de agua son prometedoras, pero en la práctica son poco frecuentes.
• Los géneros formales, quienes escriben en una segunda lengua, los textos cortos y los textos editados son donde más fallan los detectores.

Si quieres ver qué puntuación obtiene tu propia escritura, puedes hacer una comprobación gratis con RealWrite. Y si estás comparando herramientas, nuestra comparativa de los mejores detectores de IA analiza las principales opciones una al lado de la otra.